¿Qué es Gemini 3.5 Transcribe?
Gemini 3.5 Transcribe y Gemini 3.5 Transcribe Live pasaron a disponibilidad general el 26 de agosto de 2026. Son modelos específicos de voz a texto construidos sobre la comprensión de audio de Gemini, separados de los modelos de chat Gemini generales, y se facturan por tokens de audio y de texto en lugar de por minuto.
El modelo para archivos acepta hasta una hora de audio por solicitud, o 30 minutos si se activan la diarización o las marcas de tiempo por palabra. Detecta más de 85 idiomas, incluidos los cambios a mitad de frase, etiqueta hasta ocho hablantes, da marcas de tiempo por palabra, elimina muletillas en un modo "Smart" y acepta hasta 1.000 términos de vocabulario personalizado. El modelo Live transmite por WebSockets con resultados provisionales y finales, en sesiones de hasta 10 minutos, pero sin diarización ni marcas de tiempo.
¿Cuánto cuesta Gemini 3.5 Transcribe?
| Plan | Precio | Qué incluye |
|---|---|---|
| Transcribe | About $0.005 per minute | 2 $ de entrada / 12 $ de salida por 1M de tokens |
| Transcribe Live | About $0.009 per minute | 3,50 $ / 21 $ por 1M de tokens |
Transcribe, unos 0,005 $ por minuto (2 $ de entrada / 12 $ de salida por 1M de tokens); Transcribe Live, unos 0,009 $ por minuto (3,50 $ / 21 $). Nivel gratuito en AI Studio y en la API.
¿Merece la pena Gemini 3.5 Transcribe?
Gemini 3.5 Transcribe es un buen modelo en un mercado que lo ha dejado atrás rápidamente. Artificial Analysis lo mide en un 2,6% de AA-WER, noveno de 62 modelos en su tabla sin streaming, a 5 $ cada 1.000 minutos y unas 89 veces el tiempo real. MAI-Transcribe-2 de Microsoft es más preciso, con un 2,0% por 1,67 $, ElevenLabs Scribe v2 logra un 2,2% por 3,67 $, mientras que GPT Transcribe de OpenAI (3,3%) y Deepgram Nova-3 (5,2%) quedan por detrás.
El conjunto de funciones es amplio, pero las opciones chocan entre sí. La propia página del modelo de Google dice que las marcas de tiempo por palabra empeoran la precisión, que el vocabulario personalizado se rechaza junto con la diarización o las marcas de tiempo, y que la atribución con tres o más hablantes es experimental. Un producto de notas de reuniones que quiera hablantes identificados, marcas de tiempo y los nombres de producto del cliente tiene que elegir dos de las tres cosas, o enviar el audio dos veces.
El precio es sencillo y estable. Con la estimación de Google de 25 tokens de audio por segundo y 175 tokens de texto por minuto, el modelo para archivos cuesta cerca de medio céntimo por minuto y Live unos 0,9 céntimos, pero ninguno admite los descuentos Batch o Flex de los modelos de chat Gemini, así que el volumen no abarata el precio. El nivel gratuito es generoso, y las condiciones de Google dicen que el contenido enviado en él se usa para mejorar los productos de Google; el del nivel de pago, no.
El argumento más fuerte es la consolidación. Un equipo que ya paga Gemini a través de Google Cloud obtiene transcripción de archivos y en streaming con una sola clave, un solo acuerdo de datos y una sola factura, con cambio de idioma en más de 85 idiomas detectado por enunciado. Para una carga de trabajo de transcripción pura elegida por precisión por dólar, MAI-Transcribe-2 marca ahora el listón.
Dónde se gana su sitio
Un centro de contacto de 200 puestos que ya está en Google Cloud
Transcribir todas las llamadas para control de calidad y búsquedas de cumplimiento
Envía las grabaciones al modelo para archivos con la diarización activada, manteniendo cada una por debajo de 30 minutos. Con 500.000 minutos al mes son unos 2.500 $ en el nivel de pago; MAI-Transcribe-2, a los 1,67 $ cada 1.000 minutos de Artificial Analysis, saldría por unos 835 $.
Un ingeniero móvil que añade dictado por voz a una app de notas
Mostrar subtítulos en directo mientras el usuario habla
Transmite fragmentos de audio de 100 ms a Transcribe Live por WebSockets y muestra los resultados provisionales, sustituyéndolos por los finales. Las sesiones terminan a los 10 minutos, así que los dictados largos necesitan lógica de reconexión; el coste es de unos 0,9 céntimos por minuto.
Un responsable de producto de tecnología legal en un mercado multilingüe
Transcribir entrevistas con clientes que alternan entre inglés e hindi
La detección de idioma por enunciado gestiona los cambios sin indicar el idioma. Los nombres de despachos y productos necesitan vocabulario personalizado, lo que obliga a desactivar la diarización y las marcas de tiempo en esa pasada.
Antes de decidirte
- Puesta en marcha
- Consigue una clave de la Gemini API en AI Studio, sube el audio con la Files API y llama a gemini-3.5-transcribe; la documentación incluye ejemplos en Python, JavaScript, Go y REST.
- Integraciones
- Gemini API y SDK de Google GenAI; transcripción en directo por el WebSocket de la Live API con detección de actividad de voz configurable. Sin caché, Batch, Flex ni llamadas a funciones.
- Datos y privacidad
- En el nivel gratuito, Google puede usar el contenido para mejorar sus productos; en el nivel de pago, no. Las apps que atienden a usuarios del EEE, Suiza o el Reino Unido deben usar servicios de pago.
- Coste a escala
- Unos 5 $ cada 1.000 minutos para archivos y 9 $ para Live, sin descuentos por volumen ni por lotes. Artificial Analysis indica Scribe v2 a 3,67 $ y MAI-Transcribe-2 a 1,67 $ cada 1.000 minutos.
- Límites
- Una hora por solicitud de archivo (30 minutos con diarización o marcas de tiempo), sesiones Live de 10 minutos, hasta ocho hablantes, con tres o más en fase experimental, y vocabulario personalizado incompatible con la diarización y las marcas de tiempo.
Lo bueno
- 2,6% de AA-WER por unos 5 $ cada 1.000 minutos
- Modelos para archivos y streaming por WebSocket en una sola API
- Más de 85 idiomas con cambio de idioma a mitad de frase
- Hasta 1.000 términos de vocabulario personalizado
Lo malo
- El vocabulario personalizado no se puede combinar con la diarización ni con las marcas de tiempo
- MAI-Transcribe-2 y Scribe v2 son más precisos y más baratos
- Sin descuento Batch ni Flex
- Sesiones Live limitadas a 10 minutos, sin diarización
Ideal para
Equipos que ya usan la Gemini API y quieren transcripción de archivos y en streaming de un solo proveedor a cerca de medio céntimo por minuto.
Alternativas a Gemini 3.5 Transcribe
Gemini 3.5 Transcribe: preguntas frecuentes
- ¿Merece la pena Gemini 3.5 Transcribe?
- Lo bastante preciso y barato para la mayoría de las transcripciones, pero ya no es la compra obvia en ninguno de los dos aspectos. Le damos un 4.2 sobre 5.
- ¿Cuánto cuesta Gemini 3.5 Transcribe?
- Transcribe, unos 0,005 $ por minuto (2 $ de entrada / 12 $ de salida por 1M de tokens); Transcribe Live, unos 0,009 $ por minuto (3,50 $ / 21 $). Nivel gratuito en AI Studio y en la API.
- ¿Qué inconvenientes tiene Gemini 3.5 Transcribe?
- El vocabulario personalizado no se puede combinar con la diarización ni con las marcas de tiempo; mAI-Transcribe-2 y Scribe v2 son más precisos y más baratos; sin descuento Batch ni Flex; sesiones Live limitadas a 10 minutos, sin diarización.
- ¿Para quién es Gemini 3.5 Transcribe?
- Equipos que ya usan la Gemini API y quieren transcripción de archivos y en streaming de un solo proveedor a cerca de medio céntimo por minuto.
- ¿Cuánto cuesta Gemini 3.5 Transcribe para un equipo o en producción?
- Unos 5 $ cada 1.000 minutos para archivos y 9 $ para Live, sin descuentos por volumen ni por lotes. Artificial Analysis indica Scribe v2 a 3,67 $ y MAI-Transcribe-2 a 1,67 $ cada 1.000 minutos.
- ¿Es Gemini 3.5 Transcribe seguro para los datos de la empresa?
- En el nivel gratuito, Google puede usar el contenido para mejorar sus productos; en el nivel de pago, no. Las apps que atienden a usuarios del EEE, Suiza o el Reino Unido deben usar servicios de pago.
- ¿Cuáles son las mejores alternativas a Gemini 3.5 Transcribe?
- Las alternativas más cercanas que hemos analizado son ElevenLabs Scribe v2, GPT Transcribe y Deepgram Nova-3.
Respuestas comprobadas el 26 oct 2026.